EVISKILL：可重播证据中的基础技能进化

持续的技能进化使LLM智能体能够从交互经验中积累和提炼可重用的程序知识，而无需更新模型参数。其有效性不仅取决于确定要更改的内容，还取决于更改为何合理以及何时应成为持久的指导。然而，现有的经验驱动方法可能会丢失支持编辑的行为证据和任务上下文。此外，全局验证结果对其组成变化提供了不完整的判断：本地支持的修正可能会因修订被拒绝而被丢弃，而证据可能需要进一步的经验来告知有用的更新。为此，我们引入了 EVISKILL，这是一个证据驱动的框架，它将执行观察组织到可重播的证据卡中，并通过与其支持上下文的明确链接来综合编辑。有针对性的重放通过重新执行来验证这些编辑并提供纠正反馈。在各个时期，EVISKILL 都会保留证据并暂时保留支持的编辑以供进一步细化，而全局验证则控制着将其纳入最终技能。在六个LLM骨干模型的三个交互式基准测试上进行的实验证明了这种方法的有效性。